Qwen3.8-27Bは実在し、無料で、ローカルで動く。 Apache 2.0ライセンスの278億パラメータの密構造（dense）モデルで、Alibaba傘下のQwenチームが2026年8月13〜14日に公開した。4bit量子化ビルドなら、中程度のコンテキスト長で24GBのコンシューマー向けGPU（RTX 3090/4090クラス）1台に収まる。ネイティブの26万2,144トークンというフルコンテキストを使うには、はるかに多くのメモリが必要だ。
「Claude Opus 4.6を19項目中15項目で上回る」という主張には一次情報源がない。 この数字はX（旧Twitter）の投稿にたどり着くだけで、Alibaba自身のモデルカードには存在しない。ある独立比較では、Opusとの直接対決5項目のうちQwenが優位だったのは1項目だけだった。未検証のSNS上の言説として扱うべきだ。
本当なのはここだ: Qwen3.8-27Bは、いくつかのエージェント系・コーディング系ベンチマークで、Metaの Muse Glimmer（30B、8月10日公開）を確かに上回っている。SWE-bench Pro、OSWorld-Verified、LiveCodeBench v6のスコアはこのサイズのモデルとしては本物に強いが、いずれもQwen自身のテスト用スキャフォールドによる自己申告値だ。
文書分析という観点では: ネイティブのビジョンエンコーダと長いコンテキストにより、PDFやリサーチ論文をローカルかつプライベートに読むタスクに構造的に向いている。ただしその実力を証明したベンチマークはまだない。これは妥当な期待であって、実証済みの結果ではない。
実際に何が公開され、いつ公開されたのか
AlibabaのTongyi Labは2026年8月13〜14日、Qwen3.8-27Bのオープンウェイトを公開した。より大型のQwen3.8-Maxとともに事前予告してから1週間後のことだ。278億パラメータの密構造（mixture-of-expertsではない）モデルで、ライセンスはApache 2.0、ネイティブなビジョン言語対応を備える。つまり画像や動画を別のアダプターを継ぎ足すのではなく、直接自身の埋め込み空間に処理する。アーキテクチャはハイブリッドで、64層のうち、Gated DeltaNet（線形アテンション）層3つに対しGated Attention（フルアテンション）層1つという繰り返しブロックで構成されており、線形アテンション層が約48、フルアテンション層が約16という比率になっている。加えて、デコードを高速化するマルチトークン予測も備える。
コンテキストウィンドウはネイティブで26万2,144トークン、YaRN RoPEスケーリングにより104万8,576トークン（1M）まで拡張できる。これは数百ページのテキストを一度に読み込めるだけの長さで、Gemini Notebookのノートブックあたりのソース容量とおおむね同じ桁数だ。ただし一方はUI付きのホスト型プロダクト、もう一方は自分で動かす生のモデルウェイトなので、両者を直接比較することはできない。
Alibabaが実際に公開したベンチマーク数値
以下の数値はすべて、Hugging Faceの公式モデルカード（Qwen/Qwen3.8-27B）から取ったもので、第三者による同じ表の再掲載と突き合わせて確認済みだ。これらはQwen自身のエージェントスキャフォールドを使った自己申告値であり、独立したラボによる再現はまだ行われていない。ここではその点がいつも以上に重要だ。評価に使うハーネスによってスコアが変わってしまうからだ。
Benchmark Qwen3.8-27B Claude Opus 4.6 (Max) Who leads
--------------------------------------------------------------------
Terminal-Bench 2.1 73.0 78.2 Opus
SWE-bench Pro 61.7 53.4 Qwen
OSWorld-Verified 84.3 72.7 Qwen
LiveCodeBench v6 90.3 88.8 Qwen
GPQA Diamond 89.2 91.3 Opus
IFBench 79.5 62.5 Qwen
DeepSWE 1.1 (self, v3.6→3.8) 13.3 → 42.2 n/a improvedこれは正真正銘、混在したスコアカードだ。コーディングとコンピュータ操作系のタスクではQwenが優位、純粋な知識を問うGPQA Diamondと1つのエージェント型ターミナルベンチマークではOpusが優位。「19項目中15項目」ではない。この数字は単一のX/Twitter投稿（@hosseeb）にたどり着くだけで、それがアグリゲーターサイトに繰り返し引用されるうちに、まるで引用に値する事実であるかのように見えるようになった。Qwen自身のモデルカードには載っておらず、別の独立レビュー（ExplainX.ai）ではQwenが直接比較した5項目のうち1項目でしかOpusをリードしていない。「19項目中15項目」がほかの場所でも繰り返されているのを見かけても、それは循環参照だ。全員が同じ未検証の投稿を引用しているにすぎない。
これらの数値を購入判断の根拠として信頼する前に知っておくべき留保がもう2つある。SWE-bench Proは同一条件で再実行したものではなく、Anthropicが以前公開したOpusの結果をそのまま輸入している。そしてDeepSWE、QwenSWEBench、CoWorkBench、RecreationBenchはQwen自身の社内ベンチマーク一式で、SWE-benchやLiveCodeBenchのような公開された検証可能性を備えていない。これはモデル自体が悪いという話ではない。マーケティング用の表がモデル本体ほど信頼できないというだけの話だ。
同じ週に、ほかにも2つのオープンウェイトモデルが登場
Qwen3.8-27Bは単独で登場したわけではない。MetaのMuse Glimmer（1.8Bのビジョンエンコーダを含めておよそ296億パラメータ、Apache 2.0）は8月10日に公開され、常時稼働型のローカルエージェントワークフロー向けに、積極的な4bit量子化と投機的デコードを組み込んで設計されている。Meta自身の資料によれば、24GBのGPU1台、あるいはM4/M5 Max搭載のMacで、ネットワーク呼び出しなしに動作するという。DeepSeekのV4-Proは8月13日に一般提供を開始した。1.6兆パラメータのmixture-of-expertsモデル（トークンあたりの実働パラメータは約490億）で、MITライセンスのもと100万トークンのコンテキストウィンドウを備える。正真正銘のフロンティア級だが、GPU1台で済む話ではない。MoEによるスパース性があっても、マルチGPUかデータセンター級のハードウェアが必要になる。
この3つに共通するパターンがある。オープンウェイトモデルは、ChatGPTとGeminiの見出しばかり追っている人たちが気づいている以上の速さで、クローズドなフロンティアモデルとの差を縮めている。これがここでの本当の話であり、単発のベンチマーク表よりもこのサイトの読者にとって役立つ。実力のあるAIモデルを、借りるだけでなく所有し、自分で動かせる時代になったということだ。
実際にどう動かすか（そして、それが実際どれだけ大変か）
量子化されたGGUFビルドは、公開から数時間のうちにllama.cpp、LM Studio、Ollamaに登場した。Hugging Face上のlmstudio-community/Qwen3.8-27B-GGUFとunsloth/Qwen3.8-27B-GGUFが探すべきものだ。Ollamaで見つけたリストが公式のものかどうかは、プルする前に必ず確認してほしい。公開直後の数日間、わずかに違う名前のコミュニティ製アップロードが出回っていたからだ。原理的には、LM Studioをインストールし、「Qwen3.8-27B」を検索し、Q4_K_M量子化ビルド（約16GB）をダウンロードし、読み込んでチャットするだけだ。
しかし実際には、Hacker Newsの早期採用者たちが、初めての人が一人で対処できるとは思えないような本物のつまずきに遭遇している。デフォルトの推論モード（「xhigh」）は異常に多くのトークンを消費し、思考トレースの中では劣化した、文法的に崩れたテキストを生成する。複数のユーザーが、推論の強度を手動で「medium」に落とし、コミュニティ製のチャットテンプレートに差し替えて、ツール呼び出しの不具合を直し、KV（キー・バリュー）キャッシュをまともに動かす必要に迫られた。あるユーザーは、3万2,000トークンのコンテキストにおけるKVキャッシュだけでVRAMを2.5GB消費すると報告しており、Gemma 4やMuse Glimmerといった同クラスのモデルより明らかに非効率だ。しっかりしたマシンでも、4bit量子化のままでは12万8,000トークンのコンテキストにすら収まらなかったという。公平に言えば、愛好家向けであって、まだプラグアンドプレイではない。 ローカルモデルを動かした経験がないなら、5分ではなく午後いっぱいの設定時間を見込んでおくべきだ。
ハードウェアの現実チェック
Format Size on disk Practical fit
-----------------------------------------------
BF16 (full) 51.8 GB 80GB-class GPU or multi-GPU
FP8 28.8 GB 48GB card, reduced context
Q6_K GGUF 21.3 GB 32GB+ GPU
Q4_K_M GGUF 15.9 GB 24GB consumer GPU, moderate context only「コンシューマー向けGPU1台で動く」というのは、短〜中程度のコンテキストにおいては本当だ。しかしフルの26万2,000トークンのウィンドウに近づけていくと、KVキャッシュだけでさらに60〜80GBを要求してくることがある。その時点でもう、量子化ウェイトかどうかにかかわらず、ゲーミングPCで動かせる領域ではなくなる。
プライベートな文書分析にとって何を意味するか
このサイトの読者が実際に気にする部分はここからで、誇張ではなく正直な留保が必要だ。Qwen3.8-27Bのネイティブなビジョンエンコーダと長いコンテキストは、図表付きのPDFを読み、リサーチ論文を要約し、大量の文書集合に対する質問に完全にオフラインで答えるという用途に構造的によく適合している。アップロードなし、サブスクリプションなし、クラウド事業者があなたの原資料を見ることもない。これはGemini Notebookを含め、クラウドホスト型のツールとはまったく異なるプライバシー上の立ち位置だ。
ただし、Qwen3.8-27Bが文書のRAGや論文要約に優れていることを具体的に証明した公開ベンチマークや、記録されたユーザーワークフローはまだ存在しない。執筆時点でこのモデルは公開からおよそ2日しか経っていない。このモデルに限らないローカルLLM一般のガイダンスは、1つの実践的な選択を支持している——コンテキストウィンドウに収まる文書であれば、チャンク分割せずに全体を一度に読み込ませたほうがよい。チャンク分割と埋め込みベースの検索を組み合わせる方式では、単一の長いコンテキストで一度に読ませる方式が保つチャンク横断の文脈が失われてしまうからだ。チャンク分割は、モデルのコンテキスト上限を本当に超える文書のためだけに取っておくべきだ。
実際に必要なのが「このPDFを要約して、追加の質問にも答えてほしい」であり、量子化とチャットテンプレートの設定に午後を費やしたくないなら、Gemini Notebookのほうが今も速い選択肢だ。ローカルでのセットアップを一切必要とせず同じ仕事をこなしてくれる代わりに、あなたの文書がマシンの外に出ていく。Qwen3.8-27Bが正解になるのは、何もアップロードしないというプライバシーが利便性より重要な場合、あるいはそもそも第三者に送ることが許されていないものを扱う場合だ。
このツールが向かないとき
- VRAM 24GB以上のGPUを持っていない場合。 MacBook Airや内蔵GPUのノートPCでは実用的な速度で動かない。もっと小さなモデルを探すべきだ。
- 5分で動くものが欲しい場合。 デフォルト設定（推論の強度、チャットテンプレート）を調整しないと、このモデルはまともに振る舞わない。まだワンクリックの体験ではない。
- フルの26万2,000トークンのコンテキストを日常的に必要とする場合。 長いコンテキストにおけるKVキャッシュのメモリコストは、コンシューマー向けGPU1台が保持できる範囲をはるかに超える。「GPU1台で動く」という売り文句が、リサーチ論文コーパス全体を扱うようなまさにその長さで崩れてしまう。
- 引用が重要なタスクで、今日、揺るぎない精度が必要な場合。 Qwenのベンチマーク数値は独立したラボによる再現がまだない。間違いが実害につながる用途では、有望だが未検証のモデルとして扱うべきだ。
Qwen3.8-27Bは実際にClaude Opus 4.6を上回っている？
一部のベンチマークではその通りだ。SWE-bench Pro、OSWorld-Verified、LiveCodeBench v6はいずれも、Alibaba自身が公開した数値でQwenが優位。一方でTerminal-Bench 2.1やGPQA Diamondなど、Opusが優位な項目もある。広く繰り返されている「19項目中15項目でOpusを上回る」という数字はQwenの公式モデルカードには存在せず、未検証のSNS投稿にたどり着く。事実として扱うべきではない。
Qwen3.8-27Bを動かすにはどんなGPUが必要？
4bit量子化ビルド（Q4_K_M、約16GB）なら、RTX 3090や4090のような24GBコンシューマー向けGPU1台に、中程度のコンテキスト長で収まる。フルのBF16ウェイトは51.8GBで、80GBクラスのカードか複数GPUが必要になる。おおよそ3.2万〜6.4万トークンを超える長いコンテキストになると、低精度であってもコンシューマー向けGPU1台が持つメモリを大きく超えていく。
Qwen3.8-27Bは商用利用でも無料？
その通り。Apache 2.0ライセンスの下で公開されており、商用利用や改変、再配布が認められている。商用展開を制限する一部のオープンウェイトモデルとは異なる点だ。
リサーチ用途でGemini Notebookの代わりにQwen3.8-27Bを使える？
そのまま置き換えられるものではない。Gemini Notebookはソース管理、引用、Audio Overview、そしてリサーチワークフロー向けに作られたWebインターフェースを最初から備えたホスト型プロダクトだ。Qwen3.8-27Bは生のモデルウェイトであり、文書の読み込み、チャンク分割、インターフェースを自分で構築するか、LM Studioの文書チャットのようなラッパーツールを使う必要がある。文書をクラウドサーバーから一切外に出さないことが利便性より重要な場合に選ぶべきツールだ。